DVO SLAM詳解之跟蹤

dvo-slam的跟蹤通過將當前幀與關鍵幀進行幀間匹配進而確定當前幀對應的相機位姿來實現，本文將從幀間匹配和關鍵幀選取這兩部分解釋dvo-slam跟蹤的具體操作流程。

幀間匹配即計算兩幀影象間的相機運動變換矩陣，dvo-slam中用平行計算的方式同時計算當前幀與前一幀及關鍵幀間的運動變換矩陣r_odometry、r_keyframe，相關**在local_tracker.cpp中。

（1）選取參考幀中灰度梯度及深度梯度值較明顯的點作為參考點，這裡的參考幀指當前幀的前一幀和當前幀對應的關鍵幀。

（2）理想情況下，存在乙個幀間運動變換量，使得參考點的灰度值、深度值與其投射到當前幀中的點的灰度值、深度值差為零。實際應用中，通過最小化殘差函式來求幀間運動，dvo-slam中使用高斯牛頓法迭代求解這個問題。

（3）將上一步求到的幀間運動變換矩陣、資訊矩陣、似然估計值儲存到結果當中，為之後的關鍵幀選取、閉環檢測做準備。

高斯牛頓法求解幀間運動變換的具體流程如下圖所示：

（1）累積迭代增量，作為本次迭代的初始值。

（2）計算各點的殘差。

（3） dvo-slam中假設殘差服從t分布，因此這裡根據t分布計算個殘差的權重。

（4）計算t分布的方差引數。

（5）計算殘差的似然估計。

（6）求本次迭代增量。

（1） r_keyframe的後驗概率估計反應了r_keyframe的可信度，當可信度低於某一閾值時則重選關鍵幀。

（2） dvo-slam使用直接法進行幀間匹配，該方法基於灰度一致假設，所以r_keyframe和r_odometry的位移不能過大，當位移超過某一閾值則重選關鍵幀。

（3） validconstraints / validpixels反應了落在當前幀中的參考點相對於參考點總數的比例，比例越高說明相機的位姿變換越小，越低說明位姿變換越大，當比值低於某一閾值則重選關鍵幀。